师生匹配模型训练及匹配方法、装置、设备及存储介质与流程

本申请实施例涉及人工智能技术领域，尤其涉及师生匹配模型训练及匹配方法、装置、设备及存储介质。

背景技术：

随着互联网技术的日益发展，涌现出来各种各样的在线教育平台。随着在线教育平台上的老师和学生的逐步增加，如果对学生推荐适合该学生的老师成为了关注的焦点。

目前的技术方案中，通过学生提出筛选老师的条件，学管通过筛选条件找到满足要求的老师，然后依次进行联系，第一位联系到的老师就是该学生匹配的老师。这种给学生推荐老师的方式不仅非常低效，而且匹配的老师不一定适合学生。

技术实现要素：

有鉴于此，本发明实施例的目的在于提供一种师生匹配模型训练及匹配方法、装置、设备及存储介质，以高效精准地给学生推荐合适的老师。

根据本申请实施例的第一方面，提供了一种师生匹配模型训练方法，包括：获取多个师生对中各个师生对的学生和老师的课外信息以及课内信息；基于所述课外信息以及所述课内信息分别确定各个师生对中的学生和老师的课外特征与课内特征，其中，所述课内特征用于表征所述师生对中的老师或学生在课堂上的交互特征；基于各个师生对中的学生和老师的所述课外特征与所述课内特征以及对应的各个师生对的标签对师生匹配模型进行训练，其中，所述标签用于表征所述师生对中的学生与老师之间的匹配指数。

在本申请的一些实施例中，基于上述方案，所述获取各个师生对的学生和老师的课外信息，包括：获取各个师生对中的学生的学生静态信息以及老师的老师静态信息，其中，所述学生静态信息包括学生基本信息、学生地域信息、学生感兴趣学科信息、学习家长信息中的一种或多种，所述老师静态信息包括老师基本信息、老师教育背景信息、老师个性化信息中的一种或多种；从各个师生对中的老师的历史带课信息中获取各个师生对中的老师的带课行为信息，所述老师的带课行为信息包括老师课消信息、老师带过学生的上课信息以及老师带过学生的退课信息中的一种或多种；将所述学生静态信息作为各个师生对中的学生的课外信息，并将所述老师静态信息以及所述老师的带课行为信息作为各个师生对中的老师的课外信息。

在本申请的一些实施例中，基于上述方案，所述获取各个师生对的学生和老师的课内信息，包括：分别获取各个师生对中的老师的历史带课的带课音频信息以及学生的历史上课的上课音频信息；将所述带课音频信息或所述上课音频信息转化成与各个师生对中的老师或学生对应的文本信息，所述文本信息包含音频内容信息以及对应的时间信息；将所述文本信息作为对应的师生对中的老师或学生的课内信息。

在本申请的一些实施例中，基于上述方案，所述基于所述课内信息确定各个师生对中的学生和老师的课内特征，包括：基于所述文本信息中的所述音频内容信息以及所述时间信息，确定对应的师生对中的学生或老师的课内特征，所述课内特征包括：关键词统计特征、语句统计特征、说话时长统计中的一种或多种。

在本申请的一些实施例中，基于上述方案，所述方法还包括：根据各个师生对中的学生的完结课程信息中的各个老师上课的课程数，生成与各个师生对对应的正标签；或者根据各个师生对中的学生的退课课程信息中的各个老师上课的课程数，生成与各个师生对对应的负标签。

在本申请的一些实施例中，基于上述方案，所述根据各个师生对中的学生的完结课程信息中的各个老师上课的课程数，确定与各个师生对对应的正标签，包括：获取所述师生对中的老师在所述师生对中的学生的完结课程信息中的课程数；获取所述师生对中的学生的完结课程信息中的总课程数；将所述课程数与所述总课程数之间的比值作为与所述师生对对应的正标签。

在本申请的一些实施例中，基于上述方案，所述根据各个师生对中的学生的退课课程信息中的各个老师上课的课程数，确定与各个师生对对应的负标签，包括：根据各个师生对中的学生的退课课程信息中的各个老师上课的课程数，通过下式确定与各个师生对对应的负标签：

p＝-e^c-d

其中，p表示所述负标签，c表示预设的正数，d表示所述师生对中的学校的退课课程信息中的各个老师上课的课程数。

在本申请的一些实施例中，基于上述方案，所述基于各个师生对中的学生和老师的所述课外特征与所述课内特征以及对应的各个师生对的标签对师生匹配模型进行训练，包括：将所述多个师生对以预定比例分为训练集以及验证集；基于所述训练集中的师生对的学生和老师的所述课外特征与所述课内特征以及对应的标签对师生匹配模型进行训练；基于所述验证集中的师生对的学生和老师的所述课外特征与所述课内特征以及对应的标签对所述师生匹配模型的参数进行调整。

在本申请的一些实施例中，基于上述方案，所述方法还包括：将所述多个师生对中预定比例的师生对中的学生和老师的所述课外特征与所述课内特征作为测试集；基于所述测试集中的师生对的学生和老师的所述课外特征与所述课内特征以及对应的标签对所述师生匹配模型进行评估，确定所述师生匹配模型的精准率和/或召回率。

在本申请的一些实施例中，基于上述方案，所述基于所述测试集中的师生对的学生和老师的所述课外特征与所述课内特征以及对应的标签对所述师生匹配模型进行评估，确定所述师生匹配模型的精准率和/或召回率，包括：将所述测试集中的目标学生以及各个老师的所述课外特征与所述课内特征输入到所述师生匹配模型，确定与所述目标学生对应的预测老师列表；基于所述测试集中的各个师生对对应的标签确定与所述目标学生对应的实际匹配老师列表；确定所述预测老师列表与所述实际匹配老师列表中的相同老师的数量；将所述相同老师的数量与所述预测老师列表的老师总数量的比值作为所述所述师生匹配模型的精准率；和/或将所述相同老师的数量与所述实际匹配老师列表的老师总数量的比值作为所述师生匹配模型的召回率。

在本申请的一些实施例中，基于上述方案，所述方法还包括：基于所述测试集中的师生对的学生和老师的所述课外特征与所述课内特征对所述师生匹配模型进行评估，确定所述师生匹配模型的重复率和/或新老师推荐率，其中，所述重复率表示利用所述师生匹配模型针对所述测试集中的各个学生所匹配的老师的重复率，所述新老师推荐率表示利用所述师生匹配模型针对所述测试集中的各个学生所匹配的老师中的新老师的比例。

在本申请的一些实施例中，基于上述方案，所述基于所述测试集中的师生对的学生和老师的所述课外特征与所述课内特征对所述师生匹配模型进行评估，确定所述师生匹配模型的重复率，包括：将所述测试集中的师生对的学生和老师的所述课外特征与所述课内特征输入到所述师生匹配模型，确定所述测试集中的各个学生的预测老师列表；确定各个学生的所述预测老师列表中的重复老师的数量；将各个所述学生的所述预测老师列表中重复老师的数量与各个所述学生的预测老师列表中的老师总数量的比值，作为所述师生匹配模型的重复率。

在本申请的一些实施例中，基于上述方案，所述基于所述测试集中的师生对的学生和老师的所述课外特征与所述课内特征对所述师生匹配模型进行评估，确定所述师生匹配模型的新老师推荐率，包括：将所述测试集中的师生对的学生和老师的所述课外特征与所述课内特征输入到所述师生匹配模型，确定所述测试集中的各个学生的预测老师列表；确定各个学生的所述预测老师列表中的新老师的数量；将各个所述学生的所述预测老师列表中新老师的数量与各个所述学生的预测老师列表中的老师总数量的比值，作为所述师生匹配模型的新老师推荐率。

根据本申请实施例的第二方面，提供了一种师生匹配方法，包括：获取待匹配学生以及多个待匹配老师的课外信息以及课内信息；基于所述课外信息以及所述课内信息分别确定所述待匹配学生与各个待匹配老师的课外特征与课内特征；基于所述待匹配学生的课外特征与课内特征以及各个待匹配老师的课外特征与课内特征，其中，所述课内特征用于表征所述师生对中的老师或学生在课堂上的交互特征，通过上述第一方面所述的师生匹配模型来确定所述待匹配学生与各个待匹配老师的匹配指数；根据所述匹配指数的大小从所述多个待匹配老师中确定与所述待匹配学生匹配的老师。

在本申请的一些实施例中，基于上述方案，所述方法还包括：若与所述待匹配学生匹配的老师的数量小于预设阈值，则对所述待匹配老师的课外特征进行降维处理；基于所述待匹配学生的课外特征与课内特征以及各个待匹配老师的降维处理后的课外特征与课内特征，通过所述师生匹配模型来重新确定所述待匹配学生与各个待匹配老师的匹配指数。

在本申请的一些实施例中，基于上述方案，所述方法还包括：根据各个所述待匹配老师的总课消数对所述待匹配学生与各个所述待匹配老师的所述匹配指数进行修正；根据修正后的匹配指数从所述多个待匹配老师中筛选出与所述待匹配学生匹配的老师。

在本申请的一些实施例中，基于上述方案，所述根据各个所述待匹配老师的总课消数对所述待匹配学生与各个所述待匹配老师的所述匹配指数进行修正，包括：根据下述公式确定所述待匹配学生与各个所述待匹配老师的所述匹配指数的修正项：

其中，y为所述匹配指数的修正项，x为所述待匹配老师的总课消数，a为预设的参数，b为预设的正数，n为正整数；

将所述匹配指数的修正项与所述匹配指数相加，以得到修正后的所述待匹配学生与各个所述待匹配老师的匹配指数。

根据本申请实施例的第三方面，提供了一种师生匹配模型训练装置，包括：信息获取模块，用于获取多个师生对中各个师生对的学生和老师的课外信息以及课内信息；特征确定模块，用于基于所述课外信息以及所述课内信息分别确定各个师生对中的学生和老师的课外特征与课内特征，其中，所述课内特征用于表征所述师生对中的老师或学生在课堂上的交互特征；模型训练模块，用于基于各个师生对中的学生和老师的所述课外特征与所述课内特征以及对应的各个师生对的标签对师生匹配模型进行训练，其中，所述标签用于表征所述师生对中的学生与老师之间的匹配指数。

在本申请的一些实施例中，基于上述方案，所述信息获取模块包括：静态信息获取单元，用于获取各个师生对中的学生的学生静态信息以及老师的老师静态信息，其中，所述学生静态信息包括学生基本信息、学生地域信息、学生感兴趣学科信息、学习家长信息中的一种或多种，所述老师静态信息包括老师基本信息、老师教育背景信息、老师个性化信息中的一种或多种；带课行为信息获取单元，用于从各个师生对中的老师的历史带课信息中获取各个师生对中的老师的带课行为信息，所述老师的带课行为信息包括老师课消信息、老师带过学生的上课信息以及老师带过学生的退课信息中的一种或多种；信息确定单元，用于将所述学生静态信息作为各个师生对中的学生的课外信息，并将所述老师静态信息以及所述老师的带课行为信息作为各个师生对中的老师的课外信息。

在本申请的一些实施例中，基于上述方案，所述信息获取模块包括：音频信息获取单元，用于分别获取各个师生对中的老师的历史带课的带课音频信息以及学生的历史上课的上课音频信息；文本转化单元，用于将所述带课音频信息或所述上课音频信息转化成与各个师生对中的老师或学生对应的文本信息，所述文本信息包含音频内容信息以及对应的时间信息；课内信息确定单元，用于将所述文本信息作为对应的师生对中的老师或学生的课内信息。

在本申请的一些实施例中，基于上述方案，所述特征确定模块包括：课内特征确定单元，用于基于所述文本信息中的所述音频内容信息以及所述时间信息，确定对应的师生对中的学生或老师的课内特征，所述课内特征包括：关键词统计特征、语句统计特征、说话时长统计中的一种或多种。

在本申请的一些实施例中，基于上述方案，所述装置还包括：标签生成模块，用于根据各个师生对中的学生的完结课程信息中的各个老师上课的课程数，生成与各个师生对对应的正标签；或者根据各个师生对中的学生的退课课程信息中的各个老师上课的课程数，生成与各个师生对对应的负标签。

在本申请的一些实施例中，基于上述方案，所述标签生成模块包括：课程数确定单元，用于获取所述师生对中的老师在所述师生对中的学生的完结课程信息中的课程数；总课程数确定单元，用于获取所述师生对中的学生的完结课程信息中的总课程数；比值确定单元，用于将所述课程数与所述总课程数之间的比值作为与所述师生对对应的正标签。

在本申请的一些实施例中，基于上述方案，所述标签生成模块被配置为：根据各个师生对中的学生的退课课程信息中的各个老师上课的课程数，通过下式确定与各个师生对对应的负标签：

p＝-e^c-d

其中，p表示所述负标签，c表示预设的正数，d表示所述师生对中的学校的退课课程信息中的各个老师上课的课程数。

在本申请的一些实施例中，基于上述方案，所述模型训练模块包括：划分单元，用于将所述多个师生对以预定比例分为训练集以及验证集；训练单元，用于基于所述训练集中的师生对的学生和老师的所述课外特征与所述课内特征以及对应的标签对师生匹配模型进行训练；调整单元，用于基于所述验证集中的师生对的学生和老师的所述课外特征与所述课内特征以及对应的标签对所述师生匹配模型的参数进行调整。

在本申请的一些实施例中，基于上述方案，所述装置还包括：测试集确定模块，用于将所述多个师生对中的预定比例的师生对中的学生和老师的所述课外特征与所述课内特征作为测试集；第一评估模块，用于基于所述测试集中的师生对的学生和老师的所述课外特征与所述课内特征以及对应的标签对所述师生匹配模型进行评估，确定所述师生匹配模型的精准率和/或召回率。

在本申请的一些实施例中，基于上述方案，所述第一评估模块包括：第一预测单元，用于将所述测试集中的目标学生以及各个老师的所述课外特征与所述课内特征输入到所述师生匹配模型，确定与所述目标学生对应的预测老师列表；实际匹配单元，用于基于所述测试集中的各个师生对对应的标签确定与所述目标学生对应的实际匹配老师列表；相同确定单元，用于确定所述预测老师列表与所述实际匹配老师列表中的相同老师的数量；精准率确定单元，用于将所述相同老师的数量与所述预测老师列表的老师总数量的比值作为所述所述师生匹配模型的精准率；和/或召回率确定单元，用于将所述相同老师的数量与所述实际匹配老师列表的老师总数量的比值作为所述师生匹配模型的召回率。

在本申请的一些实施例中，基于上述方案，所述装置还包括：第二评估模块，用于基于所述测试集中的师生对的学生和老师的所述课外特征与所述课内特征对所述师生匹配模型进行评估，确定所述师生匹配模型的重复率和/或新老师推荐率，其中，所述重复率表示利用所述师生匹配模型针对所述测试集中的各个学生所匹配的老师的重复率，所述新老师推荐率表示利用所述师生匹配模型针对所述测试集中的各个学生所匹配的老师中的新老师的比例。

在本申请的一些实施例中，基于上述方案，所述第二评估模块包括：第二预测单元，用于将所述测试集中的师生对的学生和老师的所述课外特征与所述课内特征输入到所述师生匹配模型，确定所述测试集中的各个学生的预测老师列表；重复老师确定单元，用于确定各个学生的所述预测老师列表中的重复老师的数量；重复率确定单元，用于将各个所述学生的所述预测老师列表中重复老师的数量与各个所述学生的预测老师列表中的老师总数量的比值，作为所述师生匹配模型的重复率。

在本申请的一些实施例中，基于上述方案，所述第二评估模块还包括：第三预测单元，用于将所述测试集中的师生对的学生和老师的所述课外特征与所述课内特征输入到所述师生匹配模型，确定所述测试集中的各个学生的预测老师列表；新老师确定单元，用于确定各个学生的所述预测老师列表中的新老师的数量；新老师推荐率确定单元，用于将各个所述学生的所述预测老师列表中新老师的数量与各个所述学生的预测老师列表中的老师总数量的比值，作为所述师生匹配模型的新老师推荐率。

根据本申请实施例的第四方面，提供了一种师生匹配装置，包括：信息获取模块，用于获取待匹配学生以及多个待匹配老师的课外信息以及课内信息；特征确定模块，用于基于所述课外信息以及所述课内信息分别确定所述待匹配学生与各个待匹配老师的课外特征与课内特征，其中，所述课内特征用于表征所述师生对中的老师或学生在课堂上的交互特征；匹配指数确定模块，用于基于所述待匹配学生的课外特征与课内特征以及各个待匹配老师的课外特征与课内特征，通过上述第一方面所述的师生匹配模型来确定所述待匹配学生与各个待匹配老师的匹配指数；匹配模块，用于根据所述匹配指数的大小从所述多个待匹配老师中确定与所述待匹配学生匹配的老师。

在本申请的一些实施例中，基于上述方案，所述装置还包括：降维处理模块，用于若与所述待匹配学生匹配的老师的数量小于预设阈值，则对所述待匹配老师的课外特征进行降维处理；重新匹配模块，用于基于所述待匹配学生的课外特征与课内特征以及各个待匹配老师的降维处理后的课外特征与课内特征，通过所述师生匹配模型来重新确定所述待匹配学生与各个待匹配老师的匹配指数。

在本申请的一些实施例中，基于上述方案，所述装置还包括：修正模块，用于根据各个所述待匹配老师的总课消数对所述待匹配学生与各个所述待匹配老师的所述匹配指数进行修正；筛选模块，用于根据修正后的匹配指数从所述多个待匹配老师中筛选出与所述待匹配学生匹配的老师。

在本申请的一些实施例中，基于上述方案，所述修正模块被配置为：根据下述公式确定所述待匹配学生与各个所述待匹配老师的所述匹配指数的修正项：

其中，y为所述匹配指数的修正项，x为所述待匹配老师的总课消数，a为预设的参数，b为预设的正数，n为正整数；

将所述匹配指数的修正项与所述匹配指数相加，以得到修正后的所述待匹配学生与各个所述待匹配老师的匹配指数。

根据本申请实施例的第五方面，提供了一种，电子设备，包括：处理器；以及被配置成存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器实现上述第一方面所述的师生匹配模型训练方法或上述第二方面所述的师生匹配方法。

根据本申请实施例的第二方面，提供了一种存储介质，用于存储计算机可执行指令，其特征在于，所述计算机可执行指令在被执行时实现上述第一方面所述的师生匹配模型训练方法或上述第二方面所述的师生匹配方法。

根据本申请实施例中的技术方案，一方面，从各个师生对的学生和老师的课外信息以及课内信息中提取各个师生对中的学生和老师的课内特征和课外特征，能够结合课外特征与课内特征对师生对中的老师和学生的特征进行准确地描述，以便于能够准确地反映学生和老师之间匹配的程度；另一方面，基于各个师生对中的学生和老师的课外特征与课内特征以及对应的标签对师生匹配模型进行训练，该标签用于表征师生对中的学生与老师之间的匹配指数，能够生成用于准确地对学生和老师进行匹配的师生匹配模型，从而能够高效准确地对学生推荐合适的老师。

附图说明

后文将参照附图以示例性而非限制性的方式详细描述本申请实施例的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比值绘制的。附图中：

图1为本申请实施例提供的师生匹配模型训练方法的应用场景示意图；

图2为本申请实施例提供的师生匹配模型训练方法的流程示意图；

图3为本申请实施例提供的对师生匹配模型进行训练的示意图；

图4为本申请实施例提供的学生静态信息和老师静态信息的示意图；

图5为本申请实施例提供的获取师生对中的学生和老师的课内信息的流程示意图；

图6为本申请实施例提供的确定师生对的正标签的示意图；

图7为本申请实施例提供的确定师生对的负标签的示意图；

图8为本申请实施例提供的确定师生匹配模型的重复率和/或新老师推荐率的示意图；

图9为本申请实施例提供的确定师生匹配模型的精确率和召回率的示意图；

图10为本申请实施例提供的师生匹配方法的流程示意图；

图11为本申请实施例提供的师生匹配模型训练装置的示意框图；

图12为本申请实施例提供的师生匹配装置的示意框图；

图13为本申请实施例提供的电子设备的示意框图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。。

图1为本申请实施例提供的师生匹配模型训练方法的应用场景的示意图。参照图1所示，该应用场景可以包括：计算设备110以及数据库120，其中，计算设备110用于实施本申请的多种实现中的师生匹配模型训练方法，数据库120中存储有多个师生对中的学生和老师的课外信息以及课内信息。计算设备110上可以部署有待训练的师生匹配模型，师生匹配模型可以为神经网络模型，计算设备110从数据库120中获取多个师生对中的学生和老师的课外信息以及课内信息，基于各个师生对中的学生和老师的课外信息以及课内信息分别确定各个师生对中的学生和老师的课外特征与课内特征，基于各个师生对中的学生和老师的课外特征与课内特征以及对应的各个师生对的标签对是师生匹配模型进行训练，该标签用于表征师生对中的学生与老师之间的匹配指数。

图2为本申请实施例提供的师生匹配模型训练方法的流程示意图。该师生匹配模型训练方法可以应用于图1的计算设备110。参照图2所示，该师生匹配模型训练方法可以包括步骤s210至步骤s230，下面结合图2对示例实施例中的师生匹配方法进行详细的说明：

在步骤s210中，获取多个师生对中各个师生对的学生和老师的课外信息以及课内信息。

在示例实施例中，从在线教育平台上获取多堂课的历史数据，从多堂课的历史数据中获取多个师生对的学生和老师的课外信息以及课内信息。例如，从在线教育平台上获取141309堂课的历史数据，这些课程包含了7297名学生和5347名老师，其中，产生上课交互行为的老师和学生16178对，获取这16178个师生对中的学生和老师的课外信息和课内信息。各个师生对中的学生和老师的课内信息包括各个师生对中的学生和老师在各堂课中的交互信息，交互信息可以包括课堂讲话内容或者以问答形式的讲话内容信息。

进一步地，在示例实施例中，学生的课外信息包括学生静态信息，学生静态信息包括学生基本信息、学生地域信息、学生感兴趣学科信息中的一种或多种。老师的课外信息包括老师静态信息以及老师的带课行为信息，老师静态信息包括老师基本信息、老师教育背景信息、老师个性化信息中的一种或多种，老师带课信息包括老师课消信息、老师带过学生的上课信息以及老师带过学生的退课信息中的一种或多种。

在步骤s220中，基于各个师生对中的学生和老师的课外信息以及课内信息分别确定各个师生对中的学生和老师的课外特征与课内特征，其中，该课内特征用于表征师生对中的老师或学生在课堂上的交互特征。

在示例实施例中，学生或老师的课外特征、课内特征分别对应于学生或老师的课外信息、课内信息。例如，学生的课外特征包括学生静态特征，老师的课外特征包括老师静态特征以及老师带课特征，学生或老师的课内特征可以包括：关键词统计特征、语句统计特征以及说话时长统计中的一种或多种。基于各个师生对中的学生的课外信息和课内信息生成各个师生对中的学生的课外特征向量以及课内特征向量；基于各个师生对中的老师的课外信息以及课内信息生成各个师生对中的老师的课外特征向量以及课内特征向量。例如，将学生静态信息中的各项信息作为词向量的各维特征生成学生的课外特征向量；将老师静态信息以及老师带课行为信息中的各项信息作为词向量的各维特征生成老师的课外特征向量。

需要说明的是，可以通过word2vec或glove来生成特征向量，但是本申请实施例的方案不限于此，例如，还可以通过elmo或bert生成特征向量，本申请对此不进行特殊限定。

在步骤s230中，基于各个师生对中的学生和老师的课外特征与课内特征以及对应的各个师生对的标签对师生匹配模型进行训练，其中，该标签用于表征师生对中的学生与老师之间的匹配指数。

在示例实施例中，获取与各个师生对对应的标签，该标签用于表征师生对中的学生与老师之间的匹配指数。将各个师生对中的学生和老师的课外特征向量与课内特征向量以及对应的师生对的标签输入到待训练的师生匹配模型中，对待训练的师生匹配模型进行训练。进一步地，在示例实施例中，将多个师生对以预定比例分为训练集以及验证集；基于训练集中的师生对的学生和老师的课外特征与课内特征以及对应的标签对师生匹配模型进行训练；基于验证集中的师生对的学生和老师的课外特征与课内特征以及对应的标签对师生匹配模型的参数进行调整。

举例而言，参照图3所示，该示例实施例中包含多个师生对中的学生和老师的课外特征和课内特征，例如师生对<学生1，老师1>、<学生1，老师3>、<学生1，老师5>、<学生2，老师1>、<学生2，老师2>、<学生2，老师6>，将多个师生对中学生的课外特征和课内特征与老师的课外特征和课内特征以及对应的标签输入到师生匹配模型中进行训练。以师生匹配模型为gbdt(gradientboostingdecisiontree，梯度提升树)模型为例，确定gbdt模型的输出值与对应的标签的分数值之间的差值即损失函数，若该损失函数的值大于预定阈值，则对师生匹配模型的参数进行调整，并且在每次调整中使得损失函数在梯度方向上减小，直到该损失函数的值小于等于该预定阈值为止，从而训练出师生匹配模型。

进一步地，在示例实施例中，将学生和老师的课外特征向量与课内特征向量进行拼接形成输入特征向量，输入到待训练的师生匹配模型中进行训练，以基于训练后的师生匹配模型来预测待匹配学生与待匹配老师之间的匹配指数。

需要说明的是，师生匹配模型可以为gbdt模型，可以为其他适当的机器学习模型，例如fm(factorizationmachine因子分解机)模型、svd(singularvaluedecomposition，奇异值分解)模型、svm(supportvectormachine，支持向量机)模型、lr(logisticregression,逻辑回归)模型、rf(randomforest，随机森林)模型、nbm(naivebayesianmodel，朴素贝叶斯)模型、nn(neuralnetworks，神经网络)模型、dnn(deepneuralnetworks，深度神经网络)模型等，本申请对此不进行特殊限定。

根据图2的示例实施例中的师生匹配模型训练方法，一方面，从各个师生对的学生和老师的课外信息以及课内信息中提取各个师生对中的学生和老师的课内特征和课外特征，能够结合课外特征与课内特征对师生对中的老师和学生的特征进行准确地描述，以便于能够准确地反映学生和老师之间匹配的程度；另一方面，基于各个师生对中的学生和老师的课外特征与课内特征以及对应的标签对师生匹配模型进行训练，该标签用于表征师生对中的学生与老师之间的匹配指数，能够生成用于准确地对学生和老师进行匹配的师生匹配模型，从而能够高效准确的确定对学生推荐合适的老师。

进一步，在示例实施例中，获取各个师生对的学生和老师的课外信息，包括：获取各个师生对中的学生的学生静态信息以及老师的老师静态信息，其中，该学生静态信息包括学生基本信息、学生地域信息、学生感兴趣学科信息、学习家长信息中的一种或多种，该老师静态信息包括老师基本信息、老师教育背景信息、老师个性化信息中的一种或多种；从各个师生对中的老师的历史带课信息中获取各个师生对中的老师的带课行为信息，该老师的带课行为信息包括老师课消信息、老师带过学生的上课信息以及老师带过学生的退课信息中的一种或多种；将各个师生对中的学生静态信息作为各个师生对中的学生的课外信息，并将各个师生对中的老师静态信息以及老师的带课行为信息作为各个师生对中的老师的课外信息。

举例而言，参照图4所示，在示例实施例中，学生静态信息包括：学生基本信息、学生地域信息、学生感兴趣学科信息、学生家长信息，其中，学习基本信息包括学生id、学生年级、学生性别以及学生籍贯等，学生地域信息包括学生省份、学生城市以及学生学校，学校感兴趣学科信息包括语文、数学、英语、物理化学等，学生家长信息包括家长报名初衷、家长方言情况以及家长教育背景等。老师静态信息包括：老师基本信息、老师教育背景信息、老师个性化信息，其中，老师基本信息包括老师id、老师年龄、老师性别、老师籍贯等信息，老师教育背景信息包括老师学校id、老师学历、老师专业、老师毕业学校等信息，老师个性化信息包括老师性格特点、老师教学特点、老师兴趣爱好等信息。

进一步地，老师课消信息可以包括老师课消比例、老师累计课消数、老师教课的平均数等信息，老师带过学生的上课信息可以包括老师带过学生的累计课消数、老师所带学生数、老师带过的学生数以及老师累计课消数占比等信息，老师带过学生的退课信息包括老师带过学生中的退课学生数以及老师带过学生中的退课学生比例等信息。

需要说明的是，学生的课外信息以及老师的课外信息不限于此，也可以包含其他适当的信息，例如，学生的课外信息还可以包括学生的兴趣爱好、学生的自我评估、学生的性格测试结果等，老师的课外信息还可以包括：老师的自我评估、老师的性格测试结果等，这同样在本申请的保护范围内。

图5为本申请实施例提供的获取师生对中的学生和老师的课内信息的流程示意图。

参照图5所示，在步骤s510中，分别获取各个师生对中的老师的历史带课的带课音频信息以及学生的历史上课的上课音频信息。

在示例实施例中，从在线教育平台上获取多堂课的教学视频数据，多堂课的教学视频中获取各个师生对中的老师的历史带课的带宽音频信息以及学生的历史上课的上课音频信息。

在步骤s520中，将各个师生对中的老师的带课音频信息或学生的上课音频信息转化成与各个师生对中的老师或学生对应的文本信息，该文本信息包含音频内容信息以及对应的时间信息。

在示例实施例中，根据asr(automaticspeechrecognition，自动语音识别)技术对各个师生对中的老师的带课音频信息或学生的上课音频信息进行转录，生成对应的各个师生对中的老师或学生对应的文本信息，该文本信息包含音频内容信息以及对应的时间信息。

在步骤s530中，将各个师生对中的老师或学生对应的文本信息作为对应的师生对中的老师或学生的课内信息。

在示例实施例中，将各个师生对中的老师或学学生对应的文本信息作为对应的师生对中的老师或学生的课内信息。

进一步地，在示例实施例中，基于各个师生对中的老师或学生对应的文本信息中的音频内容信息以及时间信息，确定对应的师生对中的学生或老师的课内特征。其中，学生的课内特征包括：学生关键词统计特征、学生语句统计特征、学生说话时长统计中的一种或多种，其中，学生关键词统计特征用于表示学生上课过程中说话中带有的关键词，可以包括学生说话总字数、学生文本词性统计、学生文本情感分析、学生句长统计与分析、学生长短句分布；学生语句统计特征用于表示上课过程中学生反馈情况，可以包括学生课内语速、学生疑问句时间序列；样本学生时长统计特征用于表示上课过程中学生听课节奏，其可以包括：学生课内语音时长、学生课内有效说话时长、学生课内空白时长、学生课内单句时长、学生对话时长。老师的课内特征包括：老师关键词统计特征、老师语句统计特征、老师说话时长统计特征，其中，老师关键词统计特征用于表示老师上课过程中说话中带有的关键词，可以包括：老师说话总字数、老师文本词性统计、情感分析、老师句长统计与分析、老师学科词命中次数、老师鼓励次命中次数；老师语句统计特征能够表示上课过程中老师课堂控制情况，可以包括：老师课内语速、老师学科词时间序列、老师停顿词时间序列、老师停顿词时间分布、老师寒暄词时间分布、老师笔记词时间分布；老师时长统计特征能够表示上课过程中老师讲课节奏，可以包括：老师课内语音时长、老师课内有效说话时长、老师课内空白时长、老师课内单句时长、老师对话时长。

此外，在示例实施例中，该师生匹配模型训练方法还包括：根据各个师生对中的学生的完结课程信息中的各个老师上课的课程数，生成与各个师生对对应的正标签；或者根据各个师生对中的学生的退课课程信息中的各个老师上课的课程数，生成与各个师生对对应的负标签。在示例实施例中，获取目标师生对中的老师在目标师生对中的学生的完结课程信息中的课程数；获取目标师生对中的学生的完结课程信息中的总课程数；将该课程数与该总课程数之间的比值作为与该目标师生对对应的正标签。

图6为本申请实施例提供的确定师生对的正标签的示意图。参照图6所示，横轴为目标师生对中的老师在学生的完结课程信息中的课程数与总课程数的比值即课程占比，纵轴为师生对中的学习与老师的匹配指数即师生对的标签，图6中所示的为正匹配指数即正标签，正标签的取值范围可以设为0-1之间，以便于计算分析。例如，老师1在学生1的完结课程信息中的课程数为2，老师2在学生1的完结课程信息中的课程数为2，老师3在学生1的完结课程信息中的课程数为4，学习1完结的总课程数为8，则老师1的课程占比为0.25、老师2的课程占比为0.25，老师3的课程占比为0.5，则老师1与学生1的匹配指数为0.25，老师2与学生1的匹配指数为0.25，老师3与学生1的匹配指数为0.5。

进一步地，在示例实施例中，根据各个师生对中的学生的退课课程信息中的各个老师上课的课程数，确定与各个师生对对应的负标签，包括：根据各个师生对中的学生的退课课程信息中的各个老师上课的课程数，通过下式(1)确定与各个师生对对应的负标签：

p＝-e^c-d(1)

其中，p表示所述负标签，c表示预设的正数，d表示所述师生对中的学校的退课课程信息中的各个老师上课的课程数。

图7为本申请实施例提供的确定师生对的负标签的示意图。参照图7所示，横轴为师生对中的学生的退课课程信息中的老师上课的课程数，纵轴为师生对中的学生与老师的匹配指数即标签，图7中所示的为负匹配指数即负标签，负标签的取值范围可以设为(-1，0)之间，以便于计算分析，当然，本领域技术人员还可以设定其他取值范围，本申请对此不做限定。在图7的示例实施例中，上式(1)中的c为1，则式(1)变为p＝-e^1-课程数，老师1在学生2的退课课程信息中的课程数为2，老师2在学生2的退课课程信息中的课程数为1，则老师1与学生2的匹配指数为-0.37，老师2与学生2的匹配指数为-1。

此外，在示例实施例中，将多个师生对中预定比例的师生对中的学生和老师的课外特征与课内特征作为测试集；基于测试集中的师生对的学生和老师的课外特征与课内特征以及对应的标签对师生匹配模型进行评估，确定师生匹配模型的精准率和/或召回率。其中，精准率表示预测命中的有标签的老师在预测老师列表中的占比，用于衡量师生匹配模型推荐的是否准确，该指标越高则表示模型推荐的越准确；召回率表示测试集合中预测命中的有标签的老师在所有有标签的老师集合中的占比，该指标越高说明模型推荐的越全。

具体而言，基于测试集中的师生对的学生和老师的课外特征与课内特征以及对应的标签对师生匹配模型进行评估，确定师生匹配模型的精准率和/或召回率，包括：将测试集中的目标学生以及各个老师的课外特征与课内特征输入到师生匹配模型，确定与目标学生对应的预测老师列表；基于测试集中的各个师生对对应的标签确定与目标学生对应的实际匹配老师列表；确定预测老师列表与实际匹配老师列表中的相同老师的数量；将相同老师的数量与预测老师列表的老师总数量的比值作为所述师生匹配模型的精准率；和/或将相同老师的数量与实际匹配老师列表的老师总数量的比值作为师生匹配模型的召回率。

此外，在示例实施例中，基于测试集中的师生对的学生和老师的课外特征与课内特征对师生匹配模型进行评估，确定师生匹配模型的重复率和/或新老师推荐率，其中，重复率表示利用师生匹配模型针对测试集中的各个学生所匹配的老师的重复率，新老师推荐率表示利用师生匹配模型针对所述测试集中的各个学生所匹配的老师中的新老师的比例。

具体而言，基于测试集中的师生对的学生和老师的课外特征与课内特征对师生匹配模型进行评估，确定师生匹配模型的重复率，包括：将测试集中的师生对的学生和老师的课外特征与课内特征输入到师生匹配模型，确定测试集中的各个学生的预测老师列表；确定各个学生的预测老师列表中的重复老师的数量；将各个学生的预测老师列表中重复老师的数量与各个学生的预测老师列表中的老师总数量的比值，作为师生匹配模型的重复率。进一步地，基于测试集中的师生对的学生和老师的课外特征与课内特征对师生匹配模型进行评估，确定师生匹配模型的新老师推荐率，包括：将测试集中的师生对的学生和老师的课外特征与课内特征输入到师生匹配模型，确定测试集中的各个学生的预测老师列表；确定各个学生的所述预测老师列表中的新老师的数量；将各个学生的预测老师列表中新老师的数量与各个学生的预测老师列表中的老师总数量的比值，作为师生匹配模型的新老师推荐率。

通过重复率和新老师推荐率可以更好对师生匹配模型的效果进行评估，从而能够更高效准确地向学生推荐老师。

图8为本申请实施例提供的确定师生匹配模型的重复率和/或新老师推荐率的示意图。

参照图8所示，学生1经过训练后的师生匹配模型进行匹配处理之后，得到匹配指数较高的多位老师即列表1，例如，老师a、b、c、d、e，学生2经过训练后的师生匹配模型进行匹配处理之后，得到匹配指数较高的多位老师即列表2，例如，老师b、d、h、a、l，由于学生1和学生2推荐的老师都包含老师a、b、d，则该师生匹配模型的重复率＝(a+b+d)/列表老师数目，即重复率＝(1+1+1)/5＝0.6；设老师c与老师l为新老师，则师生匹配模型的新老师推荐率＝(c+l)/(列表1数目+列表2数目)＝(1+1)/10＝0.2。

图9为本申请实施例提供的确定师生匹配模型的精确率和召回率的示意图。

参照图9所示，目标学生在经过训练后的师生匹配模型的匹配处理之后，得到匹配指数较高的多位老师及列表1，列表2表示与该目标学生的实际匹配指数较高的老师，列表2可以通过与目标学生配对的师生对的标签得到，则该师生匹配模型的精准率＝(a+b+d)/列表1数目＝(1+1+1)/5＝0.6，该师生匹配模型的召回率＝(a+b+d)/列表2数目＝(1+1+1)/4＝0.75。其中，精准率表示预测命中的有标签的老师在预测老师列表中的占比，用于衡量师生匹配模型推荐的是否准确，该指标越高则表示模型推荐的越准确；召回率表示测试集合中预测命中的有标签的老师在所有有标签的老师集合中的占比，该指标越高说明模型推荐的越全。

此外，在本申请的示例实施例中，还提供了一种师生匹配方法，该师生匹配方法可以应用图1的计算设备，参照图10所示，该师生匹配方法包括步骤s1010至步骤s1040，下面结合图10对示例实施例中的师生匹配方法进行详细的说明。

在步骤s1010中，获取待匹配学生以及多个待匹配老师的课外信息以及课内信息。

在示例实施例中，从在线教育平台获取待匹配学习以及多个待匹配老师的课外信息以及课内信息。各个师生对中的学生和老师的课内信息包括各个师生对中的学生和老师在各堂课中的对话信息。在示例实施例中，学生的课外信息包括学生静态信息，学生静态信息包括学生基本信息、学生地域信息、学生感兴趣学科信息中的一种或多种。老师的课外信息包括老师静态信息以及老师的带课行为信息，老师静态信息包括老师基本信息、老师教育背景信息、老师个性化信息中的一种或多种，老师带课信息包括老师课消信息、老师带过学生的上课信息以及老师带过学生的退课信息中的一种或多种。

在步骤s1020中，基于课外信息以及课内信息分别确定待匹配学生与各个待匹配老师的课外特征与课内特征。

在示例实施例中，基于各个师生对中的学生的课外信息和课内信息生成各个师生对中的学生的课外特征向量以及课内特征向量；基于各个师生对中的老师的课外信息以及课内信息生成各个师生对中的老师的课外特征向量以及课内特征向量。例如，将学生静态信息中的各项信息作为词向量的各维特征生成学生的课外特征向量；将老师静态信息以及老师带课行为信息中的各项信息作为词向量的各维特征生成老师的课外特征向量。进一步地，若该待匹配学生之前未上过课，则该带匹配学生的课内特征用0补充。此外，对于待匹配学生或待匹配老师的缺失的特征，可以用0来填补。

在步骤s1030中，基于待匹配学生的课外特征与课内特征以及各个待匹配老师的课外特征与课内特征，通过训练后的师生匹配模型来确定待匹配学生与各个待匹配老师的匹配指数。

在示例实施例中，将待匹配学习的课外特征与课内特征以及各个待匹配老师的课外特征与课内特征输入到训练后的师生匹配模型中，通过训练后的师生匹配模型来确定待匹配学生与各个待匹配老师的匹配指数。例如，可以将待匹配学习的课外特征与课内特征以及各个待匹配老师的课外特征与课内特征进行拼接，将拼接后的特征输入到师生匹配模型。

在步骤s1040中，根据匹配指数的大小从多个待匹配老师中确定与所述待匹配学生匹配的老师。

在示例实施例中，基于匹配指数的大小按照从大到小的顺序将多个待匹配老师进行排序，取前预定位数的老师作为与待匹配学生匹配的老师，预定位数可以为20。

根据图10的示例实施例中的技术方案，一方面，从待匹配学生和待匹配老师的课外信息以及课内信息中提取待匹配学生和待匹配老师的课内特征和课外特征，能够结合课外特征与课内特征对待匹配老师和待匹配学生的特征进行准确地描述，以便于能够准确地反映学生和老师之间匹配的程度；另一方面，基于训练后的师生匹配模型对待匹配学生和待匹配老师进行匹配，能够高效准确地对学生推荐合适的老师。

进一步地，为了给没有上过课的新老师一定的机会，同时减轻经常上课的老师的带课压力，在示例实施例中，该师生匹配方法还可以包括：根据各个待匹配老师的总课消数对待匹配学生与各个待匹配老师的匹配指数进行修正；根据修正后的匹配指数从多个待匹配老师中筛选出与待匹配学生匹配的老师。

进一步地，在示例实施例中，根据各个待匹配老师的总课消数对待匹配学生与各个待匹配老师的匹配指数进行修正，包括：根据下述公式(2)确定待匹配学生与各个待匹配老师的匹配指数的修正项：

其中，y为匹配指数的修正项，x为待匹配老师的总课消数，a为预设的参数，b为预设的正数，n为正整数。例如，在示例实施例中，n可以取1，a可以取0.7，b可以取1。

进一步地，将待匹配学生与各个待匹配老师的匹配指数的修正项与该匹配指数相加，以得到修正后的待匹配学生与各个待匹配老师的匹配指数。

此外，在示例实施例中，若与待匹配学生匹配的老师的数量小于预设阈值，则对待匹配老师的课外特征进行降维处理；基于待匹配学生的课外特征与课内特征以及各个待匹配老师的降维处理后的课外特征与课内特征，通过训练后的师生匹配模型来重新确定待匹配学生与各个待匹配老师的匹配指数。例如，通过师生匹配模型得到的老师较少，则可以去除老师毕业学校、老师生源地这两个维度的特征。

此外，在本申请的示例实施例中，还提供了一种师生匹配模型训练装置。参照图11所示，该师生匹配模型训练装置1100可以包括：信息获取模块1110，用于获取多个师生对中各个师生对的学生和老师的课外信息以及课内信息；特征确定模块1120，用于基于所述课外信息以及所述课内信息分别确定各个师生对中的学生和老师的课外特征与课内特征；模型训练模块1130，用于基于各个师生对中的学生和老师的所述课外特征与所述课内特征以及对应的各个师生对的标签对师生匹配模型进行训练，其中，所述标签用于表征所述师生对中的学生与老师之间的匹配指数。

在本申请的一些实施例中，基于上述方案，所述信息获取模块1110包括：静态信息获取单元，用于获取各个师生对中的学生的学生静态信息以及老师的老师静态信息，其中，所述学生静态信息包括学生基本信息、学生地域信息、学生感兴趣学科信息、学习家长信息中的一种或多种，所述老师静态信息包括老师基本信息、老师教育背景信息、老师个性化信息中的一种或多种；带课行为信息获取单元，用于从各个师生对中的老师的历史带课信息中获取各个师生对中的老师的带课行为信息，所述老师的带课行为信息包括老师课消信息、老师带过学生的上课信息以及老师带过学生的退课信息中的一种或多种；信息确定单元，用于将所述学生静态信息作为各个师生对中的学生的课外信息，并将所述老师静态信息以及所述老师的带课行为信息作为各个师生对中的老师的课外信息。

在本申请的一些实施例中，基于上述方案，所述信息获取模块1110包括：音频信息获取单元，用于分别获取各个师生对中的老师的历史带课的带课音频信息以及学生的历史上课的上课音频信息；文本转化单元，用于将所述带课音频信息或所述上课音频信息转化成与各个师生对中的老师或学生对应的文本信息，所述文本信息包含音频内容信息以及对应的时间信息；课内信息确定单元，用于将所述文本信息作为对应的师生对中的老师或学生的课内信息。

在本申请的一些实施例中，基于上述方案，所述特征确定模块包括：课内特征确定单元，用于基于所述文本信息中的所述音频内容信息以及所述时间信息，确定对应的师生对中的学生或老师的课内特征，所述课内特征包括：关键词统计特征、语句统计特征、说话时长统计中的一种或多种。

在本申请的一些实施例中，基于上述方案，所述装置还包括：标签生成模块，用于根据各个师生对中的学生的完结课程信息中的各个老师上课的课程数，生成与各个师生对对应的正标签；或者根据各个师生对中的学生的退课课程信息中的各个老师上课的课程数，生成与各个师生对对应的负标签。

在本申请的一些实施例中，基于上述方案，所述标签生成模块包括：课程数确定单元，用于获取所述师生对中的老师在所述师生对中的学生的完结课程信息中的课程数；总课程数确定单元，用于获取所述师生对中的学生的完结课程信息中的总课程数；比值确定单元，用于将所述课程数与所述总课程数之间的比值作为与所述师生对对应的正标签。

在本申请的一些实施例中，基于上述方案，所述标签生成模块被配置为：根据各个师生对中的学生的退课课程信息中的各个老师上课的课程数，通过下式确定与各个师生对对应的负标签：

p＝-e^c-d

其中，p表示所述负标签，c表示预设的正数，d表示所述师生对中的学校的退课课程信息中的各个老师上课的课程数。

在本申请的一些实施例中，基于上述方案，所述模型训练模块包括：划分单元，用于将所述多个师生对以预定比例分为训练集以及验证集；训练单元，用于基于所述训练集中的师生对的学生和老师的所述课外特征与所述课内特征以及对应的标签对师生匹配模型进行训练；调整单元，用于基于所述验证集中的师生对的学生和老师的所述课外特征与所述课内特征以及对应的标签对所述师生匹配模型的参数进行调整。

在本申请的一些实施例中，基于上述方案，所述装置还包括：测试集确定模块，用于将所述多个师生对中的预定比例的师生对中的学生和老师的所述课外特征与所述课内特征作为测试集；评估模块，用于基于所述测试集中的师生对的学生和老师的所述课外特征与所述课内特征以及对应的标签对所述师生匹配模型进行评估，确定所述师生匹配模型的精准率和/或召回率。

在本申请的一些实施例中，基于上述方案，所述第一评估模块包括：第一预测单元，用于将所述测试集中的目标学生以及各个老师的所述课外特征与所述课内特征输入到所述师生匹配模型，确定与所述目标学生对应的预测老师列表；实际匹配单元，用于基于所述测试集中的各个师生对对应的标签确定与所述目标学生对应的实际匹配老师列表；相同确定单元，用于确定所述预测老师列表与所述实际匹配老师列表中的相同老师的数量；精准率确定单元，用于将所述相同老师的数量与所述预测老师列表的老师总数量的比值作为所述所述师生匹配模型的精准率；和/或召回率确定单元，用于将所述相同老师的数量与所述实际匹配老师列表的老师总数量的比值作为所述师生匹配模型的召回率。

在本申请的一些实施例中，基于上述方案，所述装置还包括：第二评估模块，用于基于所述测试集中的师生对的学生和老师的所述课外特征与所述课内特征对所述师生匹配模型进行评估，确定所述师生匹配模型的重复率和/或新老师推荐率，其中，所述重复率表示利用所述师生匹配模型针对所述测试集中的各个学生所匹配的老师的重复率，所述新老师推荐率表示利用所述师生匹配模型针对所述测试集中的各个学生所匹配的老师中的新老师的比例。

在本申请的一些实施例中，基于上述方案，所述第二评估模块包括：第二预测单元，用于将所述测试集中的师生对的学生和老师的所述课外特征与所述课内特征输入到所述师生匹配模型，确定所述测试集中的各个学生的预测老师列表；重复老师确定单元，用于确定各个学生的所述预测老师列表中的重复老师的数量；重复率确定单元，用于将各个所述学生的所述预测老师列表中重复老师的数量与各个所述学生的预测老师列表中的老师总数量的比值，作为所述师生匹配模型的重复率。

在本申请的一些实施例中，基于上述方案，所述第二评估模块还包括：第三预测单元，用于将所述测试集中的师生对的学生和老师的所述课外特征与所述课内特征输入到所述师生匹配模型，确定所述测试集中的各个学生的预测老师列表；新老师确定单元，用于确定各个学生的所述预测老师列表中的新老师的数量；新老师推荐率确定单元，用于将各个所述学生的所述预测老师列表中新老师的数量与各个所述学生的预测老师列表中的老师总数量的比值，作为所述师生匹配模型的新老师推荐率。

此外，在本申请的示例实施例中，还提供了一种师生匹配装置。参照图12所示，该师生匹配装置1200包括：信息获取模块1210，用于获取待匹配学生以及多个待匹配老师的课外信息以及课内信息；特征确定模块1220，用于基于所述课外信息以及所述课内信息分别确定所述待匹配学生与各个待匹配老师的课外特征与课内特征；匹配指数确定模块1230，用于基于所述待匹配学生的课外特征与课内特征以及各个待匹配老师的课外特征与课内特征，通过上述师生匹配模型来确定所述待匹配学生与各个待匹配老师的匹配指数；匹配模块1240，用于根据所述匹配指数的大小从所述多个待匹配老师中确定与所述待匹配学生匹配的老师。

在本申请的一些实施例中，基于上述方案，所述装置1200还包括：降维处理模块，用于若与所述待匹配学生匹配的老师的数量小于预设阈值，则对所述待匹配老师的课外特征进行降维处理；重新匹配模块，用于基于所述待匹配学生的课外特征与课内特征以及各个待匹配老师的降维处理后的课外特征与课内特征，通过所述师生匹配模型来重新确定所述待匹配学生与各个待匹配老师的匹配指数。

在本申请的一些实施例中，基于上述方案，所述装置1200还包括：修正模块，用于根据各个所述待匹配老师的总课消数对所述待匹配学生与各个所述待匹配老师的所述匹配指数进行修正；筛选模块，用于根据修正后的匹配指数从所述多个待匹配老师中筛选出与所述待匹配学生匹配的老师。

在本申请的一些实施例中，基于上述方案，所述修正模块被配置为：根据下述公式确定所述待匹配学生与各个所述待匹配老师的所述匹配指数的修正项：

其中，y为所述匹配指数的修正项，x为所述待匹配老师的总课消数，a为预设的参数，b为预设的正数，n为正整数；

将所述匹配指数的修正项与所述匹配指数相加，以得到修正后的所述待匹配学生与各个所述待匹配老师的匹配指数。

此外，本申请实施例还提供了一种电子设备，用于执行上述实施例所描述的师生匹配模型训练方法或师生匹配方法，如图13所示，该电子设备1300包括：至少一个处理器(processor)1302、存储器(memory)1304、总线1306及通信接口(communicationsinterface)1308。

其中：处理器1302、通信接口1308、以及存储器1304通过通信总线1306完成相互间的通信。

通信接口1308，用于与其它设备进行通信。

处理器1302，用于执行程序1310，具体可以执行上述实施例中所描述的方法中的相关步骤。例如，处理器1302可以执行以下步骤：获取多个师生对中各个师生对的学生和老师的课外信息以及课内信息；基于所述课外信息以及所述课内信息分别确定各个师生对中的学生和老师的课外特征与课内特征；基于各个师生对中的学生和老师的所述课外特征与所述课内特征以及对应的各个师生对的标签对师生匹配模型进行训练，其中，所述标签用于表征所述师生对中的学生与老师之间的匹配指数。

具体地，程序1310可以包括程序代码，该程序代码包括计算机操作指令。

处理器1302可能是中央处理器cpu，或者是特定集成电路asic(applicationspecificintegratedcircuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。

存储器1304，用于存放程序1310。存储器1304可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。

至此，已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序，以实现期望的结果。在某些实施方式中，多任务处理和并行处理可以是有利的。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmablelogicdevice,pld)(例如现场可编程门阵列(fieldprogrammablegatearray，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logiccompiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardwaredescriptionlanguage，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advancedbooleanexpressionlanguage)、ahdl(alterahardwaredescriptionlanguage)、confluence、cupl(cornelluniversityprogramminglanguage)、hdcal、jhdl(javahardwaredescriptionlanguage)、lava、lola、myhdl、palasm、rhdl(rubyhardwaredescriptionlanguage)等，目前最普遍使用的是vhdl(very-high-speedintegratedcircuithardwaredescriptionlanguage)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

处理器可以按任何适当的方式实现，例如，处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(applicationspecificintegratedcircuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，处理器的例子包括但不限于以下微控制器：arc625d、atmelat91sam、microchippic18f26k20以及siliconelabsc8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现处理器以外，完全可以通过将方法步骤进行逻辑编程来使得处理器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种处理器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定事务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行事务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。